自然駕駛條件下駕駛?cè)藫Q道行為實時預(yù)測

彭金栓，付 銳，郭應(yīng)時

（1.重慶交通大學(xué)交通運輸學(xué)院，400074重慶；2.長安大學(xué) 汽車學(xué)院，710064西安）

自然駕駛條件下駕駛?cè)藫Q道行為實時預(yù)測

彭金栓1，付 銳2，郭應(yīng)時2

（1.重慶交通大學(xué)交通運輸學(xué)院，400074重慶；2.長安大學(xué) 汽車學(xué)院，710064西安）

為降低車道變換的風(fēng)險性，提出一種基于駕駛?cè)艘曈X特性與車輛運動狀態(tài)預(yù)測車道變換行為的方法.應(yīng)用視覺追蹤系統(tǒng)、毫米波雷達等儀器設(shè)備，進行了真實環(huán)境下的實車駕駛試驗.基于換道前駕駛?cè)撕笠曠R注視特性確定換道意圖時窗大小為5 s，構(gòu)建換道行為預(yù)測的表征指標體系.設(shè)計BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建換道行為預(yù)測模型.結(jié)果表明：模型可以至少提前1.5 s預(yù)測駕駛?cè)说膿Q道行為，且預(yù)測精度達到95.58%.與基于轉(zhuǎn)向燈狀態(tài)預(yù)測駕駛?cè)藫Q道行為相比，其預(yù)測精度及時序特性均有顯著提升，證明了預(yù)測指標及預(yù)測方法的有效性.

駕駛行為；實車試驗；車道變換；行為預(yù)測；BP神經(jīng)網(wǎng)絡(luò)；意圖時窗

隨著汽車保有量的增加及人們出行需求的日益擴張，交通供需不均衡的矛盾持續(xù)困擾著我國，并觸發(fā)了大量的道路交通事故.2012年全國共發(fā)生204 196起交通事故，其中由換道處置不當而觸發(fā)的事故數(shù)占總量的4%［1］.為降低車道變換時的風(fēng)險性，諸多學(xué)者對駕駛?cè)说膿Q道行為進行了深入研究，換道輔助系統(tǒng)相關(guān)領(lǐng)域的探索成為一個研究熱點. McCall等［2］構(gòu)建一種基于車輛橫向位置、車輛運行參數(shù)和駕駛?cè)祟^部運動的車道變換意圖識別系統(tǒng)DIIS，采用計算機視覺方法來識別和跟蹤車道位置信息和駕駛?cè)祟^部運動，結(jié)合真實環(huán)境下實車試驗采集的數(shù)據(jù)，利用稀疏貝葉斯學(xué)習(xí)方法對駕駛?cè)说能嚨雷儞Q意圖進行了分析.Liu等［3］在一個模擬駕駛研究中利用隱馬爾可夫模型HMM來預(yù)測車輛向左換道的操作，該模型在操作開始后0.5 s識別出了50%的車道變換，但該模型僅采用了車輛方向盤轉(zhuǎn)角作為輸入信息，可靠性有待檢驗.Nishiwaki等［4］基于隱馬爾可夫模型HMM對不同駕駛?cè)说能嚨雷儞Q行為進行建模，預(yù)測車輛車道變換時的行駛軌跡，考慮的參數(shù)包括車輛在車道中的位置、行駛速度及車輛間相對運動關(guān)系.Toledo-Moreo等［5］基于速度及慣性測量單元，構(gòu)建了一種交互式多體模型，系統(tǒng)能夠在直線和彎道行駛條件下提前預(yù)測出駕駛?cè)说膿Q道行為.Salvucci等［6-7］借助模擬駕駛試驗，構(gòu)建了一種對駕駛?cè)塑嚨雷儞Q行為進行實時檢測的系統(tǒng).該系統(tǒng)能夠在操作開始0.5 s內(nèi)檢測出82%的換道操作.彭金栓等［8-9］研究了換道車輛與目標車道后車的博弈行為，基于駕駛?cè)搜蹌蛹邦^動信息，構(gòu)建了識別駕駛?cè)藫Q道意圖的交互模型，識別成功率達到90%以上.本文在以上研究的基礎(chǔ)上，嘗試基于實車試驗，結(jié)合眼動、頭動、車輛運行狀態(tài)等多源參數(shù)信息，構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的駕駛?cè)藫Q道行為預(yù)測模型.

1 試 驗

本文圍繞人因安全研究構(gòu)建了一套駕駛行為特性檢測系統(tǒng)，基于試驗車集成了眼動儀、生理測試儀、毫米波雷達等傳感設(shè)備，定量采集駕駛?cè)说囊曈X及心理狀態(tài)、車輛運行狀態(tài)等相關(guān)參數(shù)，如圖1所示.選擇G25長深高速長興至湖州南區(qū)段為主要試驗路段，路線全長約25 km，雙向4車道，中間綠化帶分隔.試驗前對路線各時段內(nèi)斷面交通量進行了持續(xù)一周的監(jiān)控，選擇交通量相對較為穩(wěn)定的時段進行試驗，以盡量削弱交通量的大小對駕駛?cè)藫Q道行為特性的影響.

研究小組在浙江省湖州市組織招募了51名職業(yè)駕駛?cè)俗鳛樵囼灡辉嚕渲?0名男性，11名為女性.所有的駕駛?cè)司鶠樽栽竻⒓?，對試驗無抵觸情緒.試驗前組織被試參加體檢，確認無視覺及聽覺疾病，且裸視均在1.3以上.

駕駛?cè)税凑疹A(yù)設(shè)的試驗路線，完全按照自己的駕駛期望及駕駛習(xí)慣，完成自主駕駛試驗.試驗完成后，工作人員結(jié)合試驗錄像與試驗數(shù)據(jù)，按照駕駛行為模式分類，截取換道樣本.依據(jù)車輛橫向位置與方向盤轉(zhuǎn)角在時間序列上的變化趨勢，確定換道起始時刻及換道截止時刻［10］.限于篇幅，在此不再贅述.

圖1 駕駛行為采集平臺

2 意圖時窗確定

為預(yù)測駕駛?cè)藫Q道行為，必須截取相應(yīng)換道意圖樣本，首先要確定意圖時窗寬度.Lee等［11］認為駕駛?cè)藫Q道前8 s內(nèi)駕駛?cè)藭憩F(xiàn)出典型的行為特性，故將之確定為換道意圖表征時窗寬.Fitch等［12］通過對比換道前8 s與3 s內(nèi)駕駛?cè)说男袨樘卣鞑町?，認為意圖時窗應(yīng)修正為3 s.本文提出一種基于后視鏡注視特性的換道意圖時窗確定方法.首先預(yù)置一個初始時窗寬度為10 s，確定時窗內(nèi)駕駛?cè)藢笠曠R區(qū)域（包括內(nèi)后視鏡、左右兩側(cè)后視鏡）的注視次數(shù)為自然數(shù)，則將駕駛?cè)耸状侮P(guān)注后視鏡的時刻距換道起始時刻的時間差確定為該樣本的意圖時窗.統(tǒng)計51名駕駛?cè)藫Q道樣本意圖時窗分布，均值約為4.92 s.圖2給出了隨機挑取的其中16名被試意圖時窗的總體分布，且編號1～16的駕駛?cè)艘鈭D時窗依次為3.03、3.48、2.49、3.21、2.89、3.74、2.70、3.35、1.96、2.82、2.58、3.11、3.27、4.35、2.48、2.77 s.依據(jù)圖2，除8號駕駛?cè)送猓渌{駛?cè)艘鈭D時窗的75分位數(shù)在5 s虛線以下，且所有被試意圖時窗均值均未溢出5 s閾值，故將之確定為最終的換道意圖時窗.這樣既不會引起意圖數(shù)據(jù)的流失，也不會引入過多的車道保持數(shù)據(jù)，影響意圖特征指標的提取.

確定意圖時窗后，需要提取時窗內(nèi)車道保持樣本與換道意圖樣本的特征差異.車道保持樣本與換道意圖樣本均采取試驗完成后的離線篩選，其中車道保持樣本為跟車、自由行駛等駕駛?cè)藳]有明顯換道意圖時，截取5 s時窗寬度后得到，而換道意圖樣本則為從換道起始時刻起向前截取5 s.按照以上方法，最終從所有被試的試驗中篩選車道保持樣本401次，意圖樣本406次.其中各200次作為訓(xùn)練樣本，其余作為待預(yù)測樣本.

圖2 不同被試換道意圖時窗總體分布

3 預(yù)測指標

換道行為是否發(fā)生取決于兩個要素，一是駕駛?cè)耸欠裼袚Q道意圖，二是目標車輛周圍的環(huán)境是否具備換道可行性［10］.本研究結(jié)合駕駛?cè)藫Q道意圖與換道可行性檢測對駕駛?cè)说膿Q道行為進行預(yù)測. Doshi等［13］認為相比眼睛運動，頭部轉(zhuǎn)動可以更早地體現(xiàn)駕駛?cè)说膿Q道意圖.基于此結(jié)論，本文選擇以頭部水平方向轉(zhuǎn)動角度標準差θ來衡量駕駛?cè)说膿Q道意圖.圖3為車道保持與換道意圖階段水平轉(zhuǎn)動角度標準差統(tǒng)計結(jié)果，車道保持階段樣本多低于3°，而意圖階段的對應(yīng)值則主要分布于5°～15°之間，且意圖階段該參數(shù)的四分位數(shù)顯著高于車道保持階段.此外，轉(zhuǎn)向燈的操作（0—1分類變量為S，其中“1”為開啟，“0”為未開啟）可以作為駕駛?cè)擞袚Q道意圖的一個指標，但從研究團隊試驗獲取的轉(zhuǎn)向燈操縱數(shù)據(jù)來看，截止至換道操縱起始時刻，轉(zhuǎn)向燈的開啟率僅為48.4%（見圖4），表明單獨依靠轉(zhuǎn)向燈識別駕駛?cè)藫Q道意圖并不可靠，需要配合其他指標共同使用.

圖3 頭部水平轉(zhuǎn)動角度標準差

圖4 轉(zhuǎn)向燈開啟率變化趨勢

車輛是否具備車道變換的可能性主要取決于距離及時間兩個維度的期望是否可以被滿足，即是否具備足夠的插車間隙，以及交通沖突時間Ttc值是否足夠保證安全.基于以上分析，可以確定與換道可行性相關(guān)的指標主要有自身車速V1、周圍目標車輛與自車相對距離（自車與當前車道前車的距離為D1，自車與目標車道后車的距離為D2）、交通沖突時間等參數(shù)（自車與當前車道前車為沖突時間為Ttc1，自車與目標車道后車的沖突時間為Ttc2）［9］.綜合以上分析可知，最終確定預(yù)測指標集合P0= （V1，S，D1，Ttc1，D2，Ttc2，θ）.

4 BP神經(jīng)網(wǎng)絡(luò)模型建立

駕駛?cè)耸欠駡?zhí)行車道變換，在實際行車過程中受到眾多因素的耦合制約，因此換道行為預(yù)測是一個內(nèi)部機制較為復(fù)雜的系統(tǒng)問題.BP神經(jīng)網(wǎng)絡(luò)已被廣泛證明可以實現(xiàn)任何復(fù)雜非線性映射的功能，因此本文嘗試基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建換道行為預(yù)測模型.

4.1 BP網(wǎng)絡(luò)設(shè)計

4.1.1 網(wǎng)絡(luò)結(jié)構(gòu)確定

BP網(wǎng)絡(luò)的輸入、輸出層的維數(shù)是由用戶按照自身個性需求確定的.輸入層神經(jīng)元個數(shù)原則上就是特征指標的數(shù)量，由構(gòu)建的預(yù)測指標體系可知，輸入層的維數(shù)為7，輸出層維數(shù)由預(yù)測結(jié)果的模式種類確定.本文預(yù)測結(jié)果可以分為車道變換和車道保持兩類，令z=1表示車道變換，z=0表示車道保持，故輸出層的維數(shù)設(shè)為1，輸出向量以T（z）表示.定義在閉區(qū)間內(nèi)的任意一個連續(xù)函數(shù)都可以用隱含層數(shù)為1的BP網(wǎng)絡(luò)來逼近.本文采用含有1層隱含層的3層BP網(wǎng)絡(luò)，輸入向量P0=（V1，S，D1，Ttc1，D2，Ttc2，θ），輸出量T=T（z），表1隨機給出了幾個樣本的網(wǎng)絡(luò)輸入輸出模式.

3層BP網(wǎng)絡(luò)隱層神經(jīng)元數(shù)目可基于n2=2n1+ 1進行確定.其中n2為隱層神經(jīng)元數(shù)目，n1為輸入層維數(shù).由于輸入層維數(shù)為7，則隱層神經(jīng)元數(shù)目為15.

4.1.2 傳遞函數(shù)

對輸入向量進行預(yù)處理后，元素值均在0—1之間，因此隱含層神經(jīng)元傳遞函數(shù)可采用S型正切函數(shù)tansig.同樣地，鑒于輸出模式為0—1方式，輸出層神經(jīng)元傳遞函數(shù)擬采用S型對數(shù)函數(shù)logsig.運用收斂速度較快的trainlm函數(shù)進行系統(tǒng)訓(xùn)練，其對應(yīng)的算法為Levenberg-Marquadt反傳算法［14］.

表1 網(wǎng)絡(luò)輸入輸出模式

4.2 數(shù)據(jù)預(yù)處理

4.2.1 數(shù)據(jù)歸一化

若輸入的原始數(shù)據(jù)離散度較大，進入網(wǎng)絡(luò)后較大的測量值會占據(jù)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，這樣便不能反映較小測量值的變化，即較小的數(shù)據(jù)容易被淹沒，從而影響預(yù)測精度.為提高訓(xùn)練效率，需要對測量數(shù)據(jù)進行歸一化處理.本文采用以下方式對數(shù)據(jù)進行歸一化處理，即

式中：x為原始數(shù)據(jù)，y為目標數(shù)據(jù)，即歸一化之后的數(shù)據(jù)；xmax、xmin分別為采集的原始數(shù)據(jù)中的最大值和最小值；ymax和ymin分別對應(yīng)數(shù)據(jù)歸一化之后y的最大值和最小值.根據(jù)本文換道行為預(yù)測的特性，取ymax=1，ymin=0.

4.2.2 相對距離D和Ttc的處理

當前車道前方有慢車時誘發(fā)車道變換的主要原因.當兩車距離較近時，此時可基于毫米波雷達的數(shù)據(jù)獲取D1值及Ttc1值.當兩車距離超過毫米波雷達有效測量距離，或者前車速度大于自車時，為了保證模型的適用性，需要對相關(guān)參數(shù)進行空缺賦值.當效測量范圍內(nèi)不存在前方車輛時，令D1=200 m，Ttc1=60 s；當存在前方車輛時，D1取實際值，而Ttc1分以下幾種情形：若自車速度V1大于前方車輛速度V2，且Ttc1≥30 s時，令Ttc1=30 s；若Ttc1＜30 s，取實際值；若V1＜V2，則直接令Ttc1=30 s.自車與目標車道后方車輛的相對距離D2和碰撞時間Ttc2采用類似的方法進行處理.

4.3 模型訓(xùn)練及性能檢驗

模型在訓(xùn)練時，以t0時刻的參數(shù)（V1，S，D1，Ttc1，D2，Ttc2，θ）值作為輸入向量 P0.目標輸出量為T（z），對于車道變換，T（z）=1，對于車道保持，T（z）=0.本文選取換道意圖與車道保持樣本各200組作為訓(xùn)練樣本.神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是主要是借助MATLAB軟件進行的，訓(xùn)練參數(shù)設(shè)置為：訓(xùn)練次數(shù)1 000次，訓(xùn)練誤差目標為0.01，學(xué)習(xí)速率為0.1.

通過網(wǎng)絡(luò)訓(xùn)練，可以不斷修正權(quán)值和閾值，使得網(wǎng)絡(luò)的輸出誤差達到最小.進行參數(shù)設(shè)置后即可開始網(wǎng)絡(luò)訓(xùn)練.設(shè)計網(wǎng)絡(luò)經(jīng)過9次訓(xùn)練后，誤差收斂至0.009 24，小于訓(xùn)練目標0.01，表明模型具有良好的分類性能.

5 換道行為預(yù)測

BP網(wǎng)絡(luò)模型建立完成并檢驗性能良好以后，即可基于建立的模型，對待預(yù)測樣本進行換道行為預(yù)測.由于網(wǎng)絡(luò)輸出數(shù)值是0～1之間的小數(shù)，設(shè)立對應(yīng)的切割閾值（取為0.5），即當T（z）≥0.5時，即認為駕駛?cè)思磳?zhí)行車道變換；滿足T（z） ＞0.5時，判定駕駛?cè)思磳?zhí)行車道保持操作.通過比較待預(yù)測樣本中其真實屬性與預(yù)測屬性，即可以判斷出模型預(yù)測的精度.

為了比較不同參數(shù)對換道行為預(yù)測所起作用的差異性，選取不同的特征指標組合作為輸入，基于學(xué)習(xí)樣本建立BP網(wǎng)絡(luò)模型，再對待預(yù)測樣本進行屬性識別，預(yù)測結(jié)果如表2所示.當輸入向量僅有轉(zhuǎn)向燈信號時，預(yù)測精度僅有30.71%，而當屬于向量中加入頭部水平轉(zhuǎn)角標準差時，預(yù)測精度迅速上升至70%，表明頭部運動特性對換道行為預(yù)測起重要作用.當輸入向量包含所有的特征指標時，預(yù)測精度達到95.58%，表明構(gòu)建的BP模型對預(yù)測駕駛?cè)说膿Q道行為具有較強的適用性及信度.

表2 不同向量組合的預(yù)測結(jié)果

在評價預(yù)測模型效能時，除考慮預(yù)測信度外，還經(jīng)常評價模型在時軸上的表現(xiàn)效果［15］.在此對換道行為預(yù)測的時序特性進行討論，而不考慮車道保持行為.以換道起始點為起始時刻，以0.5 s為固定時窗單位向前滑動，基于待識別樣本換道前3 s內(nèi)各典型時刻向量集 （V1，S，D1，Ttc1，D2，Ttc2，θ）對應(yīng)的各參數(shù)值輸入建立的預(yù)測模型，最終得到各典型時刻預(yù)測精度的變異特性，如圖5所示.圖中橫軸為距轉(zhuǎn)向燈開啟時刻的時間，-3～0表示換道前3 s至換道起始點的各典型時刻.在換道前3 s時刻，模型預(yù)測精度約為58%.隨著時間推移，預(yù)測精度迅速提高，至換道前 1.5 s時刻，預(yù)測精度上升至85.44%，換道前1 s時刻，提高至88.83%.截止至換道起始時刻，預(yù)測精度最終達到95.58%.如果以85%作為判定預(yù)測效度的閾值，可以認為構(gòu)建的BP模型至少可以保證在換道前1.5 s時刻精確預(yù)測出駕駛?cè)说膿Q道行為.與文獻［3］相比，不僅預(yù)測精度更高，而且具有顯著的時序特性優(yōu)勢.

圖5 預(yù)測時序特性

6 結(jié) 論

1）依據(jù)駕駛?cè)藫Q道前對后視鏡區(qū)域的注視特性，換道意圖時窗確定為5 s，該方法避免了因主觀確定意圖時窗所引發(fā)的數(shù)據(jù)缺失或紊亂.

2）結(jié)合駕駛?cè)艘曈X搜索特性、車輛運動狀態(tài)及駕駛環(huán)境等特征參數(shù)，可以有效預(yù)測駕駛?cè)说膿Q道行為.

3）基于構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型，可以至少提前1.5 s預(yù)測駕駛?cè)说膿Q道行為，預(yù)測精度達到95.58%，研究結(jié)論可為換道輔助系統(tǒng)的改進奠定一定的理論基礎(chǔ).

［1］公安部交通管理局.中華人民共和國道路交通事故統(tǒng)計年報［R］.北京：公安部交通管理局，2013.

［2］MCCALL J C，WIPF D P，TRIVEDI M M，et al.Lane change intent analysis using robust operators and sparse Bayesian learning［J］.IEEE Intelligent Transportation Systems，2007，8（3）：431-440.

［3］LIU A，PENTLAND A.Towards real-time recognition of driver intentions［C］／／Intelligent Transportation System. Boston：IEEE，1997：236-241.

［4］NISHIWAKI Y，MIYAJIMA C，KITAOKA N.Generating lane-change trajectories ofindividualdrivers［C］／／Proceedings ofthe IEEE InternationalConference on Vehicular Electronics and Safety.Columbus Ohio：IEEE，2008：271-275.

［5］TOLEDO-MOREO R，ZAMORA-LZQUIERDO M A.IMM-based lane-change prediction in highways with low-cost GPS／INS ［J］. IEEE Transactions on Intelligent Transportation Systems，2009，10（1）：180-185.

［6］SALVUCCI D D，LIU A.The time course of a lane change：driver control and eye-movement behavior ［J］. Transportation Research Part F：Traffic Psychology and Behaviour，2002，5（2）：123-132.

［7］SALVUCCI D D，MANDALIA H M，KUGE N，et al. Lane-change detection using a computational driver model［J］.Human Factors，2007，49（3）：532-542.

［8］彭金栓，付銳，郭應(yīng)時.駕駛?cè)塑嚨雷儞Q決策機制及視覺特性分析［J］.中國安全科學(xué)學(xué)報，2013，23（2）：34-38.

［9］PENG Jinshuan，GUO Yingshi，SHAO Yiming.Lane change analysis based on drivers’perception-judgment and game theory［J］.Applied Mechanics and Materials，2013，361-363：1875-1879.

［10］彭金栓，付銳，郭應(yīng)時，等.基于駕駛?cè)艘曈X特性的換道意圖識別方法［J］.武漢理工大學(xué)學(xué)報，2013，35（3）：73-79.

［11］LEE S E，OLSEN E C B，WIERWILLE W W.A comprehensive examination ofnaturalistic lane-changes［R］.Virginia： Virginia Tech Transportation Institute，2004.

［12］FITCH G M，LEE S E，KLAUER S.Analysis of lanechange crashes and near-crashes［R］.Virginia：Virginia Tech Transportation Institute，2009.

［13］DOSHI A，MORRIS B T，TRIVEDI M M.On-road prediction of driver’s intent with multimodal sensory cues［J］.IEEE Pervasive Computing，2011，10（3）：22-34.

［14］XIAO Zhi，YE Shijie，ZHONG Bo，et al.BP neural network with rough set for short term load forecasting［J］.Expert Systems with Applications，2009，36（1）：273-279.

［15］李冀，莫蓉，孫惠斌.基于復(fù)雜網(wǎng)絡(luò)的產(chǎn)品服務(wù)系統(tǒng)評價［J］.計算機集成制造技術(shù)，2013，19（9）：2355-2363.

（編輯 魏希柱）

Real-time prediction of lane-changing behaviors under naturalistic driving condtions

PENG Jinshuan1，F(xiàn)U Rui2，GUO Yingshi2

（1.School of Transportation，Chongqing Jiaotong University，400074 Chongqing，China；2.School of Automobile，Chang’an University，710064 Xi’an，China）

To reduce the risk of lane changing behaviors，based upon drivers’visual characteristics and vehicle motion states，a method for lane change prediction is proposed.By using visual tracking system，millimeter-wave radar and so on，the research group conducts experiments under real road environment.Based on drivers’fixation characteristics of the rearview mirrors before lane change occurs，lane changing intent time window is determined as 5 s，the characteristic index for predict lane changing behavior is further built.By designing BP neural network，the lane change prediction model is constructed.Results show that the model may predict drivers’lane changing behavior for at least 1.5 s in advance，and the prediction accuracy can reach 95.58%.As compared to predict lane change behavior via turn signals，the prediction accuracy and time series characteristics are both improved remarkably，thus verifying the effectiveness of the predictive index and method.

driving behavior；real-world experiment；lane change；behavior prediction；BP neural network；intent time window

U471.15

A

0367-6234（2015）09-0119-05

10.11918／j.issn.0367-6234.2015.09.022

2014-03-12.

國家自然科學(xué)基金 （61503049，51178053）；教育部高等學(xué)校博士學(xué)科點專項基金（20135522110003）；中央高?；究蒲袠I(yè)務(wù)費專項資金（2014G1502015）.

彭金栓（1982—），男，博士，副教授；付 銳（1965—），女，教授，博士生導(dǎo)師.

付 銳，pengjinshuan＠163.com.